4

4.7 Perspectivas Futuras Como visto no Cap´ıtulo 2, as abordagens convencionais para o desenvolvimento de bases de conhecimento envolvem uma formaliza¸c˜ao manual do conhecimento do especialista e subsequente codifica¸c˜ao em estruturas de dados apropriadas. Uma aplica¸c˜ao importante de AM visa ¨ a constru¸c˜ao (semi) autom´atica de bases de conhecimento utilizando inferˆencia indutiva. De fato, pesquisas em AM podem fornecer melhorias das t´ecnicas atuais e um embasamento para o desenvolvimento de abordagens alternativas de aquisi¸c˜ao de conhecimento (Flach 2000). Para encontrar o algoritmo de AM mais indicado para resolver um dado problema ´e necess´ario identificar se o algoritmo escolhido ´e apropriado para o dom´ınio em quest˜ao. Entretanto, ´e muito dif´ıcil fazer um julgamento pr´evio, pois o conceito a ser induzido n˜ao ´e conhecido. Por esse motivo, ´e de fundamental importˆancia realizar testes confi´aveis. A integra¸c˜ao de t´ecnicas de aprendizado para extrair conhecimento de grandes bases de dados, ´e uma ´area de pesquisa relativamente nova, denominada Knowledge Data Discovery (KDD) ou Data Mining, tratados no Cap´ıtulo 12 e Text Mining, tratado no Cap´ıtulo 13
Conclusões e Trabalhos Futuros
A utilização de técnicas de aprendizagem de máquina na categorização de textos não é uma tarefa trivial, pois envolve uma série de decisões inerentes às técnicas de aprendizagem utilizadas, bem como a escolha de métodos que melhor representem as informações, ou seja, os métodos de pré- processamento. Um grande problema apresentado na categorização de documentos é alta dimensionalidade dos textos, fazendo-se necessário um pré-processamento custoso, a fim de alcançar uma representação dos dados adequada para o aprendizado de máquina, e algoritmos de aprendizado que apresentem soluções para lidar com um espaço de entradas tão grande. O objetivo deste trabalho foi realizar um estudo comparativo da utilização de técnicas de aprendizagem de máquina combinadas ao uso